Algorithmic Management
oder Management durch Algorithmen
Ist ein vielfältiges Set an technischen Tools und Techniken zum Management von Arbeitskräften. Es basiert auf umfangreicher Datenerfassung, damit einhergehend auch auf Überwachung von Arbeiter:innen und ihrer Arbeitsschritte, um eine automatisierte oder halbautomatisierte Delegierung und/oder Entscheidungsfindung zu ermöglichen.
Es wird viel darüber gesprochen, wie neue Technologien die Arbeitswelt verändern, etwa durch Roboter und Automatisierung, die Arbeitsplätze ersetzen, oder durch die Veränderung von Berufsstrukturen und Qualifikationsanforderungen. Ein ebenso wichtiges Element dieses Wandels ist jedoch die Fähigkeit digitaler Technologien, Daten zu erzeugen, zu sammeln, zu speichern, zu analysieren, zu verbreiten und zu nutzen.
Der digitale Wandel verändert nicht nur den Umfang und die Art der menschlichen Arbeit, sondern hat auch erhebliche Auswirkungen auf die Art und Weise, wie Arbeit verrichtet wird. Dies betrifft insbesondere die Art und Weise, wie Aufgaben zugewiesen, koordiniert, überwacht und bewertet werden.
In Szenarien, in denen digitale Technologien das Sammeln und Analysieren von Daten für die Arbeitskoordination ermöglichen, ist es sehr wahrscheinlich, dass algorithmisches Management (AM) zum Einsatz kommt. AM bezieht sich auf die Anwendung datengestützter Algorithmen zur Überwachung und Optimierung von Arbeitsabläufen. Diese Entwicklung hat erhebliche Auswirkungen auf die Organisationsstruktur und die Qualität der Arbeitserfahrung.
Allgemein ist AM an sich keine neue bahnbrechende Technologie, sondern vielmehr eine anspruchsvolle Integration von bestehenden Technologien wie Big-Data-Analytik, maschinellem Lernen, Geolokalisierung und der Nutzung von Mobilgeräten und Wearables. Diese Integration ist darauf ausgerichtet, verschiedene Aufgaben, die traditionell von menschlichen Managern ausgeführt wurden, insbesondere bei der Koordination von Arbeit, zu automatisieren, zu unterstützen oder zu erleichtern. Es ist wichtig zu erkennen, dass AM ein sozio-technisches Phänomen ist, das sowohl die technologischen Komponenten (die verwendeten Tools und Systeme) als auch die sozialen Aspekte (wie diese Tools und Systeme in einem organisatorischen Kontext implementiert werden) umfasst.
Die 3 Komponenten
Management
Ist der Prozess der Führung einer Organisation. Dazu gehört das Treffen von Entscheidungen und das Ausführen von Aufgaben. Die für das Management verantwortliche Person steht normalerweise an der Spitze der Organisationshierarchie – sie werden Manager genannt. Führungsfunktionen (Fayol, 1916): Planung, Personalbesetzung, Führung, Koordinierung und Kontrolle. Mit algorithmischem Management können all diese Funktionen durch Computeralgorithmen unterstützt oder zumindest teilweise umgesetzt werden, wenn sich die damit verbundenen Managementprobleme mehr oder weniger eindeutig numerisch kodieren lassen.
Es ist wichtig zu beachten, dass Algorithmen Daten, Anleitung und Schulung benötigen, um zu funktionieren. Die Entscheidung, ob algorithmisches Management eingesetzt werden soll, welche Prozesse davon betroffen sind und ob die Vorschläge befolgt werden sollen, sind wichtige Entscheidungen, die von einer Organisation getroffen werden.
Algorithmen
Einfach ausgedrückt, geht es beim AM um die Verwendung komplexer mathematischer Modelle, die als Algorithmen bezeichnet werden, um Entscheidungen, auf der Grundlage vordefinierter Schritte und Regeln, zu treffen und Prozesse am Arbeitsplatz zu steuern. Das mag etwas kompliziert klingen, aber stellen wir es uns einmal so vor: Sie kochen ein Gericht nach einem Rezept. Das Rezept sagt Ihnen genau, welche Schritte Sie befolgen müssen, um ein Gericht zuzubereiten. In ähnlicher Weise fungieren Algorithmen.
Big Data
Big Data bezieht sich auf extrem große und komplexe Datensätze, die mit herkömmlichen Datenmanagement-Tools und -Technologien nicht effektiv verarbeitet werden können. Big Data zeichnet sich durch sein Volumen, seine Vielfalt, seine Geschwindigkeit und seinen Wahrheitsgehalt aus, d. h. es wird in großen Mengen aus verschiedenen Quellen, in vielen verschiedenen Formaten, mit hoher Geschwindigkeit und mit unterschiedlichem Genauigkeitsgrad generiert. Für die Verarbeitung und Analyse von Big Data sind häufig fortschrittliche Technologien wie distributed processing und Cloud Computing erforderlich. Die aus der Big-Data-Analyse gewonnenen Erkenntnisse können Unternehmen und Organisationen wertvolle Informationen liefern, um fundierte Entscheidungen zu treffen. Big Data wird zunehmend in einer Reihe von Branchen eingesetzt, z. B. Gig-Economy, im Finanzwesen, im Gesundheitswesen, im Marketing und im Einzelhandel,... um Erkenntnisse über das Kundenverhalten, Markttrends und die betriebliche Effizienz zu gewinnen.
Jedoch sollten Algorithmen als fortschrittliche Technologien verstanden werden, die die Fähigkeit haben, selbst zu lernen, sich selbst neu zu schreiben und Entscheidungen ohne explizites menschliches Eingreifen zu treffen. Sie können also autonom agieren. Ein Mensch steht immer noch im Mittelpunkt des Designs und der Programmierung des Algorithmus, aber von dort aus können diese Technologien innerhalb eines bestimmten Satzes definierter Regeln oder Anweisungen eigenständig funktionieren, um Aufgaben zu erfüllen.
Die Automatisierungsstufen
im AM
Eine gute Erläuterung hierzu bieten Baiocco und ihre Kolleg:innen, die die von Wood vorgeschlagene Klassifizierung des algorithmischen Managements auf der Grundlage des Automatisierungsgrades bei der Umsetzung von Managementfunktionen erörtern. Zusammenfassend lässt sich sagen, dass die praktische Anwendbarkeit dieser Klassifizierung aus mehreren Gründen begrenzt ist. Erstens ist es technisch unmöglich, eine "vollständige Automatisierung" zu erreichen (es sei denn, wir sprechen von einem völlig autonom arbeitenden System, einer allgemeinen künstlichen Intelligenz, die bisher nur in der Science-Fiction existiert), und selbst bei einer "hohen Automatisierung" ist immer noch menschliches Eingreifen bei der Entwicklung, Wartung und Behandlung von Ausnahmefällen erforderlich. Daher können die meisten Formen des algorithmischen Managements besser als "bedingte Automatisierung" beschrieben werden.
Zweitens ist es schwierig, zwischen "teilweiser" und "bedingter" Automatisierung zu unterscheiden, da es sich in den meisten Fällen um eine Kombination aus beiden handelt. Daher wäre es sinnvoller, die Automatisierungsgrade in drei Kategorien zusammenzufassen (keine Automatisierung, Unterstützung und teilweise bedingte Automatisierung). Die theoretische Kategorie "Vollautomatisierung" mag analytisch existieren, hat aber keine reale Anwendung. Drittens ist die praktische Relevanz von Automatisierungsgraden in algorithmischen Managementsystemen ohne Transparenz begrenzt. Transparenz ist von entscheidender Bedeutung, um zu verstehen, ob Entscheidungen von Algorithmen oder von menschlichen Managern getroffen werden, und um mögliche Probleme anzugehen.
![Digital Taylorism](https://cdn.prod.website-files.com/62d560b14ef33e5d1b903801/649760ae72fa611461cf7f76_digitalertaylorismus.avif)
DigitalerTaylorismus
"Das Management ist keine menschliche Tätigkeit mehr, sondern ein Prozess, der in die Technologie eingebettet ist." Henri Schildt
Bei näherer Betrachtung haben die Prinzipien des algorithmischen Managements historische Wurzeln, die weit über das digitale Zeitalter hinausreichen. Entfernt man den digitalen Deckmantel, zeigen sich Ähnlichkeiten mit alten Managementsystemen wie der Bürokratie und dem wissenschaftlichen Management nach Taylor. Diese Vorläufer dienten praktisch als analoge Versionen des algorithmischen Managements.
Der Taylorismus befürwortet die systematische Untersuchung von Menschen, Aufgaben und Arbeitsplätzen, um zu verstehen, wie Effizienz und Produktivität maximiert werden können. Dazu gehört, dass Aufgaben in ihre einfachsten Bestandteile zerlegt und analysiert werden, um die effizienteste Methode für ihre Ausführung zu ermitteln. Einer der wichtigsten Aspekte des Taylorismus ist die Übertragung von Wissen von den Arbeitnehmern:innen auf das Management, die so genannte Trennung von Planung und Ausführung. Taylor vertrat die Ansicht, dass es zu Ineffizienzen kommt, wenn Arbeitnehmer:innen sich selbst überlassen werden. Er glaubte, dass Unternehmen ihre Arbeitsabläufe standardisieren und optimieren
könnten, indem sie Wissen und Entscheidungskompetenz von den Arbeitern auf das Management übertragen. Dieser Wandel erforderte, dass das Management eine aktive Rolle übernahm, um die Feinheiten der Arbeitsaufgaben zu verstehen. Mit Hilfe von Zeit-Bewegungs-Studien und anderen wissenschaftlichen Analysen sollten die Manager jede Aufgabe in ihre kleinsten Bestandteile zerlegen, die effizienteste Methode zu ihrer Ausführung bestimmen und dann die Arbeitnehmer darin schulen, die Aufgabe auf die vorgeschriebene Weise auszuführen. Die Bezahlung würde leistungsbezogen erfolgen. In der Vergangenheit stellte die Komplexität bestimmter Arbeitsabläufe eine Herausforderung für die Umsetzung tayloristischer Prinzipien dar. Das Aufkommen und die Entwicklung datengestützter Informationsmanagementsysteme haben jedoch die Standardisierung komplexer bürokratischer Verfahren, Regeln und Routinen in verschiedenen Sektoren erleichtert. Diese in Software umgesetzten Systeme ermöglichen die Erstellung komplexer Arbeitspläne und -muster und bieten effiziente Mittel zur Überwachung, Koordinierung und Bewertung von Arbeitskräften.
Algorithmisches Management identifizieren: Wo sollen wir suchen?
In der Regel können wir mit digitalen Arbeitsplattformen beginnen. Diese Plattformen lassen sich grob in zwei Kategorien einteilen. Der erste Typ umfasst standortbezogene Plattformarbeit, die Dienstleistungen wie Taxifahrten, Essens- und Lebensmittelzustellungen, Haushalts- und Pflegedienste anbieten. Der zweite Typ umfasst webbasierte Plattformarbeit, die freiberufliche und wettbewerbsorientierte Arbeit in Bereichen wie Grafikdesign, click work, Mikroaufgaben, wettbewerbsorientierte Programmierung und medizinische Beratung ermöglichen. Neben diesen Plattformen ist es wichtig zu erwähnen, dass algorithmische Systeme auch in vielen traditionellen Arbeitsbereichen Einzug gehalten haben, z. B. im Hotel- und Gaststättengewerbe, im Einzelhandel, in der Gebäudetechnik, bei Hausmeisterdiensten, in Logistik und Lagerhaltung, in Call-Centren, in der Fertigung und im Personalwesen, so dass ihr Einfluss weit verbreitet ist und ständig zunimmt.
![Digital Taylorism](https://cdn.prod.website-files.com/62d560b14ef33e5d1b903801/64c1011889b53647d82245d9_picdaten.avif)
Alles beginnt mit Daten, Daten,..!
Daten sind ein zentrales Element des algorithmischen Managements. Der gesamte Prozess ist datengesteuert, von der Datensammlung bis hin zur Analyse und Anwendung dieser Daten. Zu diesen Daten gehören häufig Leistungsindikatoren der Arbeitnehmer:innen, Kundenfeedbacks und andere relevante Faktoren.
Datensammlung: Dies ist der erste Schritt des Prozesses. Hier werden Daten aus verschiedenen internen und externen Quellen gesammelt. Dazu können personenbezogene Daten von Arbeitnehmer:innen, Daten über Arbeitsprozesse und Daten, die von den Arbeitnehmer:innen im Laufe ihrer Arbeit erzeugt werden, gehören. Eine so große Menge an Daten zu sammeln, kann dazu führen, dass das Unternehmen selbst seine Rolle als Technologieorganisation oder sogar als Datenermittler ändert.
Datenanalyse: Sobald die Daten gesammelt sind, werden sie für Entscheidungsprozesse nutzbar gemacht, indem relevante Informationen extrahiert und die Daten modelliert werden. In dieser Phase kann festgelegt werden, wie Arbeitnehmer:innen geführt, beurteilt und diszipliniert werden. Sie können auch Arbeitspläne, Bezahlung, Beförderungen und Disziplinarmaßnahmen beeinflussen.
Anwendung der Daten: Die analysierten Daten werden anschließend in algorithmischen Managementsystemen verwendet. Diese Systeme nutzen die Daten, um Entscheidungen über Aufgabenverteilung, Leistungsbewertung und andere Aspekte der Arbeit zu treffen. Sie können auch Muster und Trends erkennen, die für Zukunftsprognosen und Effizienzsteigerungen genutzt werden können.
Monetarisierung von Daten: In einigen Fällen können Daten und Schlussfolgerungen, die während der Arbeit generiert oder gesammelt werden, verkauft oder an Dritte weitergegeben werden, um Einnahmen zu erzielen.
Datenrechte und Datenschutz: Die Gewährleistung des Datenschutzes und die Achtung der Datenrechte sollte im Zusammenhang mit dem algorithmischen Management von entscheidender Bedeutung sein. Dazu könnte gehören, dass Arbeitnehmer:innen Zugang zu ihren Daten haben, darüber informiert werden, wie ihre Daten verwendet werden und dass sie die Kontrolle über ihre Daten ausüben können.
Wie sieht das in der Praxis aus?
Wenn wir zum Beispiel bei Taxiplattformen oder Lieferplattformen beginnen, beschreiben einige Forscher algorithmisches Management als im Wesentlichen aus zwei Komponenten bestehend: algorithmisches Matching und algorithmische Kontrolle. Ein Paradebeispiel ist Uber, das KI-gesteuerte Algorithmen einsetzt, um Fahrer:innen mit Kunden:innen zu verbinden - einschließlich dynamischer Preisgestaltung - und um das professionelle Verhalten der Fahrer:innen zu kontrollieren, zu bewerten und zu belohnen oder zu bestrafen. Das Unternehmen erreicht dies unter anderem durch die Nutzung von Kundenfeedback und Sensordaten, um umfassende Verhaltensinformationen wie Fahrgewohnheiten und Servicequalität zu sammeln. Diese gesammelten Daten werden von Algorithmen analysiert und verwendet, um den Fahrern personalisierte Rückmeldungen und Anweisungen zu geben, z. B. Tipps zur Verbesserung der Servicequalität oder zur Erhöhung des Einkommens. Dies geschieht natürlich unter dem Deckmantel der “Gamifizierung”. Im Extremfall können dieselben Algorithmen zu Disziplinarmaßnahmen oder sogar zur Entlassung von Fahrern führen. Auf diese Weise gelingt es Unternehmen wie Uber, die direkte menschliche Interaktion mit ihren Mitarbeitern auf ein Minimum zu reduzieren.
- 1. https://www.ilo.org/wcmsp5/groups/public/---dgreports/---dcomm/---publ/documents/publication/wcms_771749.pdf
- 2. bernhardt-et-al-2022-the-data-driven-workplace-and-the-case-for-worker-technology-rights.pdf
- 3. ilo
- 4. https://journals.sagepub.com/doi/10.1177/20539517211020332
- 5. https://link.springer.com/content/pdf/10.1007/s12599-022-00764-w.pdf